Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

A aproximação nova da aprendizagem de máquina classifica o tipo comum de tumor cerebral

Uma aproximação nova da aprendizagem de máquina classifica um tipo comum de tumor cerebral no ponto baixo ou os níveis superiores com precisão de quase 98%, pesquisadores relatam no acesso de IEEE do jornal.

Os cientistas na Índia e no Japão, incluindo do instituto de universidade de Kyoto para ciências do Pilha-Material Integrated (iCeMS), desenvolveram o método para ajudar clínicos a escolher a estratégia a mais eficaz do tratamento para pacientes individuais.

As gliomas são um tipo comum de tumor cerebral que afeta as pilhas glial, que fornecem o apoio e a isolação para os neurônios. O tratamento paciente varia segundo a agressividade do tumor, assim que é importante obter o direito do diagnóstico para cada um individual.

Os radiologistas obtêm muito uma grande quantidade de dados das varreduras de MRI para reconstruir uma imagem 3D do tecido feito a varredura. Muito dos dados disponíveis em varreduras de MRI não pode ser detectado pelo olho nu, tal como os detalhes relativos à forma do tumor, à textura, ou à intensidade da imagem.

Os algoritmos da inteligência (AI) artificial ajudam a extrair estes dados. Os oncologistas médicos têm usado esta aproximação, chamada radiomics, para melhorar ainda diagnósticos do paciente, mas necessidades da precisão ser aumentado.

o bioengineer Ganesh Pandian Namasivayam do iCeMS colaborou com o cientista indiano Balasubramanian Raman dos dados de Roorkee para desenvolver uma aproximação da aprendizagem de máquina que pudesse classificar gliomas no ponto baixo ou no nível superior com precisão 97,54%.

As gliomas de baixo grau incluem a categoria mim glioma de baixo grau pilocytic do astrocytoma e da categoria II. Estes são os menos agressivos e menos malignos dos tumores da glioma. As gliomas do nível superior incluem a glioma maligno da categoria III e o multiforme do glioblastoma da categoria IV, que são muito mais agressivas e mais malignos com uma estadia de sobrevivência relativamente curto do cargo-diagnóstico.

A escolha do tratamento paciente depende pela maior parte de poder determinar a classificação da glioma.

A equipe, incluindo Rahul Kumar, Ankur Gupta e Harkirat Singh Arora, usou um conjunto de dados das varreduras de MRI que pertencem a 210 povos com gliomas do nível superior e a uns outros 75 com gliomas de baixo grau.

Desenvolveram uma aproximação chamada CGHF, que representa: sistema de apoio computacional da decisão para a classificação da glioma usando o radiomics híbrido e características wavelet-baseadas estacionárias.

Escolheram algoritmos específicos para extrair características de algumas das varreduras de MRI e treinaram então um outro algoritmo com carácter de previsão para processar estes dados e para classificar as gliomas. Testaram então seu modelo no resto das varreduras de MRI para avaliar sua precisão.

“Nosso método outperformed outras aproximações avançadas para categorias de predição da glioma das varreduras do cérebro MRI,” diz Balasubramanian. “Isto é bastante considerável.”

Nós esperamos que ajudas do AI desenvolve um modelo de software com carácter de previsão da máquina semiautomática ou automática que possa ajudar doutores, radiologistas, e outros médicos médicos a costurar as melhores aproximações para seus pacientes individuais.”

Ganesh Pandiyan Namasivayam, Bioengineer do iCeMS, universidade de Kyotu

Source:
Journal reference:

Kumar, R., et al. (2020) CGHF: A Computational Decision Support System for Glioma Classification Using Hybrid Radiomics- and Stationary Wavelet-Based Features. IEEE Access. doi.org/10.1109/ACCESS.2020.2989193.